儿童神经母细胞瘤在多模态MRI上的自动细分的社区基准:在MICCAI 2023的SPPIN挑战的设计和结果
Myrthe A D Buser1, Dominique C Simons1, Matthijs Fitski1
1Princess Máxima Center for Pediatric Oncology, 3584 CS Utrecht, The Netherlands.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
对神经母细胞瘤MRI细分的深度学习显示出希望,但目前的模型在术前瘤细节方面扎. 为了在儿科瘤学中可靠的外科规划,需要进一步发展.
科学领域:
- 医学成像医学成像
- 人工智能在瘤学中的应用
- 儿科外科手术 儿科外科手术
背景情况:
- 在MRI上精确细分神经母细胞瘤对于手术规划至关重要.
- 深度学习为自动化和改进细分精度提供了潜力.
- 儿科神经母细胞瘤手术规划 (SPPIN) 挑战是为了推动这一领域的发展而设立的.
研究的目的:
- 在MRI上对神经母细胞瘤进行自动细分方法进行基准测试.
- 评估儿童瘤学中不同深度学习方法的性能.
- 评估当前细分模型对于术前外科手术规划的适用性.
主要方法:
- 在SPPIN挑战中,有9个团队提交了神经母细胞瘤MRI的自动细分模型.
- 评估指标包括子相似系数 (子分数),豪斯多夫距离第95百分位数 (HD95) 和体积相似性 (VS).
- 一个大型的,预先训练的模型被最高表现的团队使用.
主要成果:
- 在参与团队中观察到各种各样的表现 (Dice: 0.21-0.82).
- 顶级团队的中位数为0.82,HD95为7.69毫米,VS为0.91.
- 术前瘤细分得到的得分明显较低,这表明现实应用的局限性.
结论:
- 预训练深度学习模型可能有利于小型儿科数据集.
- 虽然总体得分很高,但目前的自动细分不足以用于小神经母细胞瘤的手术前规划.
- 需要进行进一步的研究,以提高人工智能驱动的细分对儿科外科指导的可靠性.
